Traducido del inglés al español - www.onlinedoctranslator.

com

Revista de ingeniería de Ain Shams 14 (2023) 101907

Listas de contenidos disponibles enCiencia Directa

Revista de ingeniería de Ain Shams

página de inicio de la revista: www.sciencedirect.com

Mapeo espaciotemporal de susceptibilidad a deslizamientos de tierra utilizando modelos de aprendizaje

automático: un estudio de caso del distrito de Hattian Bala, noroeste del Himalaya, Pakistán

Ahmad Hammad Khaliqa, Muhammad Basharata, Malik Talha Riaza, Muhammad Tayyib Riaza, Saad Wania,
Nadhir Al-Ansarib, Long Ba LeC, Nguyen Thi Thuy Linhd,⇑
aInstituto de Geología, Universidad de Azad Jammu y Cachemira, Muzaffarabad 13100, Pakistán
bDepartamento de Ingeniería Civil, Ambiental y de Recursos Naturales, Universidad Tecnológica de Lulea, 97187 Lulea, Suecia
CInstituto de Ciencias, Ingeniería y Gestión Ambientales, Universidad Industrial de la ciudad de Ho Chi Minh, 12 Nguyen Van Bao, distrito de Go Vap, ciudad de Ho Chi Minh, Vietnam
dInstituto de Tecnología Aplicada, Universidad Thu Dau Mot, Provincia de Binh Duong, Vietnam

información del artículo abstracto

Historia del artículo: La región del Himalaya, una zona montañosa escarpada, se encuentra entre las zonas más susceptibles al peligro de
Recibido el 18 de marzo de 2022 Revisado el 28 deslizamientos de tierra debido a su terreno, geografía y tectónica activa. Las técnicas de aprendizaje automático (ML) son los
de junio de 2022 Aceptado el 21 de julio de
métodos más avanzados y precisos para desarrollar modelos de susceptibilidad a deslizamientos de tierra (LSM). El presente
2022 Disponible en línea el 19 de agosto de
estudio fue diseñado para analizar y evaluar la susceptibilidad a deslizamientos de tierra utilizando enfoques de ML para el
2022
distrito Hattian Bala, noroeste del Himalaya, Pakistán. Las imágenes satelitales históricas se utilizan para generar inventarios
espaciotemporales de deslizamientos de tierra de los años 2005, 2007 y 2012. Se creó una base de datos espacial relacionada
Palabras clave:
con factores topográficos, ambientales, geológicos y antropogénicos que incluyen pendiente, aspecto, elevación, curvatura,
Hattian Bala
curvatura plana, curvatura del perfil, índice de humedad topográfica (TWI), litología, distancia a fallas, distancia a arroyos,
Susceptibilidad a deslizamientos de

tierra Regresión logística

distancia a caminos, índice de vegetación de diferencia normalizada (NDVI) y uso/cobertura del suelo (LULC). Estos LCF fueron
Aprendizaje automático seleccionados para analizar la susceptibilidad a deslizamientos de tierra periódicos en la región. El diseño experimental utilizó
bosque aleatorio un inventario de 349, 393 y 735 deslizamientos de tierra de 2005, 2007 y 2012 respectivamente. Se aplicaron dos modelos ML,
es decir, bosque aleatorio (RF) y regresión logística (LR), para evaluar la susceptibilidad a deslizamientos de tierra determinada
por trece factores causantes de deslizamientos de tierra (LCF). El inventario de deslizamientos de tierra espaciotemporal se
dividió en deslizamientos de entrenamiento (70%) y de prueba (30%) para los años respectivos para verificar las precisiones de
predicción de los modelos ML seleccionados. El análisis comparativo de diferentes LSM se realizó mediante las Curvas del
operador del receptor - Área bajo las curvas (ROC-AUC). La precisión resultante, MAE, RMSE, Kappa, Precision, Recall, F1 indicó
que RF superó al modelo LR. El estudio tiene como objetivo minimizar las pérdidas de vidas y los posibles daños económicos
relacionados con las inestabilidades recurrentes de las laderas en la región. Se prevé que el uso de algoritmos de aprendizaje
automático ayudaría a las autoridades y organizaciones interesadas a planificar y gestionar eficazmente el peligro de
deslizamientos de tierra en la región.
- 2022 LOS AUTORES. Publicado por Elsevier BV en nombre de la Facultad de Ingeniería de la Universidad Ain
Shams. Este es un artículo de acceso abierto bajo la licencia CC BY-NC-ND (http://creativecommons.org/licenses/
por-nc-nd/4.0/).

1. Introducción
Los deslizamientos de tierra son el peligro geoambiental más importante que se
observa en terrenos montañosos de todo el mundo y suponen una gran amenaza para la
vida humana y la infraestructura.4,72]. El deslizamiento de tierra es
⇑Autor correspondiente.
Dirección de correo electrónico:nguyenthuylinh@tdmu.edu.vn (N. Thi Thuy Linh).
Revisión por pares bajo la responsabilidad de la Universidad Ain Shams.
Producción y alojamiento por Elsevier
Uno de los principales peligros provocados por procesos naturales como terremotos,
lluvias e intervenciones humanas, por ejemplo, los cortes de carreteras y la urbanización
pueden causar fallas en las pendientes.[71]. Los deslizamientos de tierra cubren casi el
nueve por ciento del total de desastres naturales en todo el mundo
[43]. Recientemente, grandes terremotos han provocado un gran número de
deslizamientos de tierra: China (1999), Cachemira (2005), China (2008, 2010, 2013),
Nepal (2015), Nueva Zelanda (2016), Japón (2018), etc. fallas de taludes en áreas
amplias. Estos acontecimientos catastróficos provocaron un gran número de
víctimas mortales, heridos y daños a la infraestructura, especialmente la
interrupción de las redes de carreteras. [22,32,57,67,68,113,115]. Los
deslizamientos de tierra cobraron la vida del 1,3 % de las víctimas de desastres
totalmente naturales, y Asia representó alrededor del 54 % de estos
deslizamientos de tierra.[47]. La rápida urbanización y el desarrollo han

https://doi.org/10.1016/j.asej.2022.101907
2090-4479/- 2022 LOS AUTORES. Publicado por Elsevier BV en nombre de la Facultad de Ingeniería de la Universidad Ain Shams.
Este es un artículo de acceso abierto bajo la licencia CC BY-NC-ND (http://creativecommons.org/licenses/by-nc-nd/4.0/).
A. Hammad Khaliq, M. Basharat, M. Talha Riaz et al.
Aceleró los deslizamientos de tierra en los países desarrollados y subdesarrollados en los
últimos años.[116]. Los fenómenos naturales como los deslizamientos de tierra
provocados por terremotos son responsables de muchas muertes en todo el mundo.
[44,45,62,82,100]. Los deslizamientos de tierra ocurren principalmente en áreas con
topografía irregular y tectónica activa con una alta tasa de precipitación. Las
características topográficas, la litología, la geomorfología, el uso del suelo y la cobertura
del suelo influyen en la distribución geográfica y la intensidad de los deslizamientos de
tierra.[5].
Los movimientos masivos suponen un peligro continuo para los habitantes y
las instalaciones de la región montañosa del Himalaya. En el noroeste del
Himalaya, los deslizamientos de tierra se consideran un problema grave debido al
terreno predominantemente montañoso que causa daños a los habitantes y la
infraestructura. El devastador terremoto de Cachemira de 2005 provocó miles de
deslizamientos de tierra en la parte norte de Pakistán y la región de Cachemira.
[77,108]. La ocurrencia de un gran número de fallas en pendientes, como
deslizamientos masivos de tierra, avalanchas de rocas y otras fallas, han resultado
en lesiones graves y daños importantes a la infraestructura [9,10,77,81]. Se han
realizado numerosos estudios anteriormente para comprender la mecánica, la
distribución y la evolución de los deslizamientos de tierra provocados por
terremotos y para identificar la distribución de los deslizamientos, estrategias de
recopilación de datos de campo, desarrollo de inventarios y análisis de
distribución espacial.[12,15,56,77,99]. Los métodos de susceptibilidad a
deslizamientos de tierra (es decir, basados en el conocimiento, estadísticos,
deterministas, probabilísticos y de aprendizaje automático (ML)) se han utilizado
para caracterizar la región en diferentes zonas susceptibles.[10,41,53]. La
evaluación de la susceptibilidad a los deslizamientos de tierra es un enfoque eficaz
para prevenir y mitigar los deslizamientos de tierra en una amplia región. Es una
de las fuentes de información más útiles para los tomadores de decisiones, ayuda
a los profesionales a reducir el riesgo de vida y propiedad. En los últimos años se
han desarrollado varios enfoques para la evaluación de la susceptibilidad a los
deslizamientos de tierra, dependiendo del concepto de que se pueden anticipar
posibles movimientos en masa analizando el vínculo entre los deslizamientos de
tierra históricos y sus factores causales que influyen.[51,117]. Existen numerosos
métodos para desarrollar un mapa de susceptibilidad a deslizamientos de tierra
(LSM) basados en diferentes formulaciones, entre las que se utilizan
principalmente métodos estadísticos y ML. [38,54,84,96]. La teledetección satelital
(RS) y el sistema de información geográfica (SIG) se utilizan ampliamente para la
identificación, caracterización y evaluación de deslizamientos de tierra. La
disponibilidad gratuita de datos satelitales de resolución moderada, por ejemplo,
Landsat 8 y Sentinels, han tenido aplicaciones más amplias en el campo de las
geociencias en los últimos años. Las imágenes SPOT han sido utilizadas
previamente para identificar eficientemente deslizamientos de tierra en la región.
[71].
Los modelos estadísticos basados en datos y conocimiento, que
han ganado el campo LSM en los últimos años, se han visto desafiados
por datos insuficientes sobre topografía y parámetros ambientales.
[52]. Debido a las recientes mejoras en las tecnologías geoespaciales, se han
esperado y aplicado con éxito una multitud de enfoques estadísticos para LSM
para ayudar en la investigación de los patrones de distribución de deslizamientos
de tierra y las causas que los producen.[73]. Los LSM están pasando rápidamente
del aprendizaje estadístico y basado en el conocimiento a técnicas de aprendizaje
automático con mayor exactitud y precisión. Con su esplendor, el LSM se ha
utilizado para abordar el mapeo geográfico del riesgo de deslizamientos de tierra.
Se han empleado varias formas de mapeo de deslizamientos de tierra en todo el
mundo, pero sus objetivos son todos los mismos.
Tanto a nivel local como regional, actualmente se están sugiriendo muchos
modelos y metodologías para anticipar la distribución geográfica de los
deslizamientos de tierra. Si bien los geocientíficos terrestres están cada vez más
interesados en el LSM óptimo, muchos se están centrando en un modelo
estadístico y basado en el conocimiento para predicciones de deslizamientos de
tierra, por ejemplo, [2,56,91].[3,73,78,85,92,105]se encuentran entre los que
recientemente han enfatizado los modelos ML debido a sus beneficios prácticos y
alta precisión. Los algoritmos de ML son efectivos debido a su precisión en la
predicción de la vulnerabilidad y su alta exactitud con respecto a los enfoques
estadísticos convencionales para LSM. Bosque aleatorio (RF)[24,107], red neuronal
artificial (RNA)[19,107], máquinas de vectores soporte
2
Revista de ingeniería de Ain Shams 14 (2023) 101907
(SVM)[79,95], árbol de decisión (DT)[88,112], bayes ingenuos[25,28] y regresión logística
(LR)[66,118]Los algoritmos se consideran los enfoques de ML más eficaces. Estos
métodos son enfoques basados en datos ampliamente adoptados para evaluar el efecto
de cada uno de los elementos causantes de los deslizamientos de tierra en la ocurrencia
de deslizamientos de tierra. Las técnicas de ML son útiles para evaluar los peligros de
deslizamientos de tierra a escala regional y sus diversos elementos que influyen para
minimizar el riesgo de que se produzcan deslizamientos de tierra. El devastador
terremoto de Cachemira de 2005 provocó miles de deslizamientos de tierra en la parte
norte de Pakistán y la región de Cachemira.[10]. Se han llevado a cabo numerosas
investigaciones en Muzaffarabad y sus áreas circundantes afectadas por el terremoto de
Cachemira de 2005 para la distribución, caracterización y evaluación de la susceptibilidad
de los deslizamientos de tierra.[9,11–13,55,56,63,77,91,94,99, 101]. Sin embargo, los
estudios anteriores no realizaron la evaluación de la susceptibilidad a los deslizamientos
de tierra utilizando técnicas de ML con registros temporales de deslizamientos de tierra.
Los estudios anteriores, por ejemplo,[15,38,91]Se aplicaron LSM convencionales basados
en conocimientos y datos con registros limitados de deslizamientos de tierra y factores
causales limitados. Existen lagunas con respecto a los inventarios de deslizamientos de
tierra espacio-temporales y el LSM espacio-temporal utilizando modelos ML avanzados.
Por lo tanto, el presente estudio tiene como objetivo analizar el LSM espacio-temporal
utilizando algoritmos de ML más estables y robustos. Esta investigación tiene como
objetivo utilizar técnicas avanzadas de aprendizaje automático para predecir la
susceptibilidad espaciotemporal a deslizamientos de tierra. El objetivo específico del
presente estudio incluye desarrollar y acceder a modelos de susceptibilidad a
deslizamientos de tierra relacionados con su causa influyente utilizando datos
temporales de 2005, 2007 y 2012 mediante el empleo de enfoques de ML en el distrito de
Hattian, noroeste del Himalaya de Pakistán. Los mapas de susceptibilidad podrían
utilizarse más para evaluar los mapas de vulnerabilidad y riesgo para la mitigación de
deslizamientos de tierra y la implementación de estrategias de reducción de desastres en
el área.
2. Área de estudio
El área de estudio se encuentra geográficamente en el noroeste del
Himalaya de Pakistán, que cubre un área de 723,957 km.2con una población
de 0,23 millones de habitantes. Las principales características
geomorfológicas son valles, llanuras, cadenas montañosas, arroyos y ríos.
Las elevaciones varían de 777 ma 4026 m (Figura 1). Las temperaturas
medias medias oscilan entre 22℃a 36℃en verano, mientras -04℃a 07℃ en
invierno, con precipitaciones anuales de 1000 a 2000 mm[103]. Las
características topográficas se vieron afectadas por el terremoto de 2005, en
particular el desarrollo del lago Zalzal en Bani Hafiz, una remota ciudad de
Hattian Bala donde se documentaron cientos de víctimas.[14]. El área de
estudio se encuentra tectónicamente en la parte del cinturón plegado y
corrido del noroeste del Himalaya, y el área de estudio se encuentra
principalmente en el extremo oriental de Hazara Kashmir Syntaxis (HKS).
[6,60]. Main Boundary Thrust (MBT) y Panjal Thrust (PT) se pliegan para
formar una estructura antiformal conocida como HKS.[6,7,98,111]así como
MBT, PT y la falla de Muzaffarabad (MF), son la característica tectónica
importante a lo largo de la cual ocurrieron la mayoría de las fallas de las
pendientes. Las unidades litoestratigráficas en el área de estudio están bien
expuestas y varían desde el Precámbrico hasta el Holoceno en la edad de
unidades de rocas sedimentarias, metasedimentarias y metaígneas.[7,23].
Las unidades geológicas en el área de estudio están altamente deformadas
debido a MBT, PT y MF, lo que las hace más propensas a fallar durante
terremotos y monzones intensos.
3. Material y métodos
3.1. Recopilación de datos
tabla 1Describe las fuentes de datos utilizadas para desarrollar los inventarios de
deslizamientos de tierra y los LCF. Los deslizamientos de tierra en el área de investigación
fueron interpretados y mapeados utilizando SPOT-5, imágenes de Google Earth e
investigaciones de campo basadas en el criterio de remoción de vegetación.
A. Hammad Khaliq, M. Basharat, M. Talha Riaz et al. Revista de ingeniería de Ain Shams 14 (2023) 101907

Figura 1.Ubicación geográfica de la zona de estudio.

tabla 1
Lista de las fuentes de datos utilizadas para calcular el inventario de deslizamientos de tierra y los factores causantes de los deslizamientos de tierra.

Datos Tipo de datos Factores Resolución/ Fuente de datos

Escala

Inventarios de deslizamientos de tierra 2005, 2007, 2012 Ubicaciones y tipos de deslizamientos de tierra 1:20.000 Datos publicados, Imágenes satelitales y verificaciones de campo.

Imágenes de satélite PUNTO-5 2.5metro Suparco

Google Earth Fuente abierta
Landsat-8 LULC, NDVI 30metro USGS
Modelo de Elevación Digital (DEM) topográfico - Pendiente, 12.5metro ALOS PALSAR
Parámetros Aspecto,
Elevación,
Curvatura,
curvatura del perfil,
curvatura simple,
TWI
Mapas geológicos - litología, 1:50.000 SGP[46]
Fallos
Factores antropogénicos - Distancia a las carreteras 1:20.000 Google Earth
Factores hidrológicos - Distancia a los arroyos 1:20.000 ALOS PALSAR

y perturbaciones en el dosel del bosque[91]. Se utilizaron imágenes ángulo, longitud, etc.) de los deslizamientos en el campo. Los datos
satelitales Landsat-8 para desarrollar un mapa de uso y cobertura del suelo adquiridos de múltiples fuentes se mapearon, digitalizaron y analizaron en
utilizando clasificación supervisada en el software Exelis ENVI versión 5.3. El el entorno Arc-GIS 10.8 (Esri Inc.).[36]. El diagrama de flujo metodológico
Servicio Geológico de los Estados Unidos (USGS) proporcionó imágenes para alcanzar el objetivo planteado del estudio se muestra enFigura 2.
temporales del Landsat-8 (resolución de 30 m) con una nubosidad de <2,10
%. Se utilizó el modelo de elevación digital (DEM) basado en ALOS PALSAR 3.2. Inventario de deslizamientos de tierra

con una resolución de 12,5 m para extraer los factores topográficos del área
de estudio. Se utilizaron mapas geológicos adquiridos del Servicio Geológico
de Pakistán (GSP) para derivar las características litológicas y tectónicas del
área. El inventario de deslizamientos de tierra se verificó utilizando un
sistema de posicionamiento global (GPS) portátil y un receptor GLONASS con
una precisión de 5 ± metros (m) en el campo. La distancia láser se utiliza
para medir las características físicas (por ejemplo, pendiente
La utilización de un inventario sostenible de deslizamientos de tierra requiere
datos precisos y de alta calidad de un registro geoespacial en asociación con un
estudio de reconocimiento basado en verificación sobre el terreno (Fig. 3). La
identificación y el desarrollo de inventarios de deslizamientos de tierra son una
forma importante de comprender y analizar la comparación entre el deslizamiento
de tierra y los factores de control que determinan

3
A. Hammad Khaliq, M. Basharat, M. Talha Riaz et al. Revista de ingeniería de Ain Shams 14 (2023) 101907

Figura 2.El diagrama esquemático muestra el desarrollo del mapa de susceptibilidad a deslizamientos de tierra.

Fig. 3.Fotografías durante la investigación de campo (a) flujo de escombros en Chamm (b) tobogán de escombros en Reshian (c) tobogán traslacional en Dao Khan (d) tobogán rotacional en Dao Khan (e) tobogán de
escombros en Moji (f) flujo de escombros en el Valle de Leepa.

4
A. Hammad Khaliq, M. Basharat, M. Talha Riaz et al.
susceptibilidad a deslizamientos de tierra y mapeo de peligros[25,39]. Los
deslizamientos de tierra temporales se actualizaron mediante mapeo mediante
visitas de campo, técnicas de teledetección y análisis de imágenes temporales de
satélite. Se utilizaron datos de teledetección de Google Earth e imágenes
satelitales SPOT-5 de 2005, 2007 y 2012 para interpretar y actualizar los
inventarios de deslizamientos de tierra en el área de estudio porque son de gran
ayuda para identificar aquellos deslizamientos de tierra presentes en las zonas
montañosas o montañosas que no lo son. accesible a través del estudio de campo.
La eliminación de la vegetación natural se utiliza como criterio básico para
identificar movimientos masivos. Luego de la identificación de deslizamientos
mediante SPOT-5 se realizaron inventarios temporales de deslizamientos de
diferentes años conteniendo 349, 393, 735 deslizamientos que cubrieron un área
de 9.939 Km.2, 4.319 Kilómetros2, y 27,597 kilometros2para 2005, 2007 y 2012
respectivamente (Figura 4).
Las muestras de inventario de deslizamientos y no deslizamientos de 2005, 2007 y
2012 se utilizaron para desarrollar modelos LR y RF. Cada inventario de deslizamientos de
tierra se divide aleatoriamente en dos grupos separados (es decir, entrenamiento y
prueba) por porcentaje de muestras con una proporción de 70 %: 30 % respectivamente.
El inventario de cada año tiene un 70 % de deslizamientos de tierra, y se utilizaron
muestras de no deslizamientos de tierra como muestras de entrenamiento, y el 30 %
restante de muestras de deslizamientos de tierra y no deslizamientos de tierra se
emplearon como muestras de prueba. El área sin deslizamientos se selecciona en un área
de pendiente de ángulo bajo donde las posibilidades de deslizamientos son muy bajas, y
este procedimiento obtiene los mejores resultados. Después de preparar los conjuntos
de datos, el paquete de herramientas LSM de[96]se empleó para producir LSM.
Figura 4.Mapa que muestra el inventario de deslizamientos de tierra de los años 2005, 2007 y 2012.
5
Revista de ingeniería de Ain Shams 14 (2023) 101907
3.3. Factores causantes de deslizamientos de tierra
La falla del talud está influenciada por la interacción de varios LCF, por
ejemplo topográficos, geológicos, ambientales y antropogénicos.[29,33]. La
relación entre la actividad de deslizamientos de tierra y los factores que
influyen determinaron el riesgo de movimientos masivos. Este estudio tiene
trece LCF que incluyen gradiente de pendiente, aspecto, elevación,
curvatura, curvatura de perfil, curvatura en planta, TWI, litología, distancia a
fallas, distancia a carreteras, distancia a vapores, NDVI y uso/cobertura del
suelo (Higos. 5 y 6).
La topografía o geomorfología contribuye considerablemente a los
deslizamientos de tierra.[30]. ALOS PALSAR DEM representa el terreno con la
resolución de 12,5 m utilizada para derivar los parámetros topográficos que
incluyen pendiente, aspecto, elevación, curvatura, curvatura en planta, curvatura
de perfil, distancia a arroyos e índice de humedad topográfica (TWI). Tienen un
papel considerable en la actividad de deslizamientos de tierra.[92]. Estos
parámetros derivados del DEM se analizan brevemente a continuación.
3.3.1. gradiente de pendiente
La causa principal de los deslizamientos de tierra es la pendiente de la pendiente.
[110]. Influye en el escurrimiento de la superficie del talud, la capa de intemperismo y la
distribución de tensiones en el talud (figura 5a). Las fallas de taludes ocurren en
pendientes pronunciadas que en pendientes suaves, aparentemente debido a tensiones
restrictivas.[48]. El área de la pendiente se extrajo de DEM con una resolución de 12,5 m y
se clasificó en siete clases siguiendo a Riaz et al.,[91]: 0- – 10-, 11- - 20-, 21- – 30-, 31- – 40-,
41- – 50-, 51- – 60-, Superior > 60-.
A. Hammad Khaliq, M. Basharat, M. Talha Riaz et al.
Figura 5.Mapa que muestra los factores causantes de deslizamientos de tierra (a) gradiente de pendiente (b) aspecto (c) elevación (d) curvatura (e) curvatura en planta (f) curvatura del perfil (g) TWI (h) Litología (i) distancia
desde las fallas.
3.3.2. Aspecto
El aspecto (figura 5b) es un factor de influencia importante porque la
pendiente se enfrenta directamente al sol, provocando el derretimiento de la
nieve y la infiltración de agua, aumentando la acción de congelamiento y deshielo,
culminando en el movimiento de masas. Los deslizamientos de tierra siempre
ocurren en una determinada dirección en una región específica.[93]. El aspecto se
derivó del DEM para luego reclasificarlo en ocho clases utilizando el software
ArcGIS 10.8.
3.3.3. Elevación
La elevación (figura 5c) es un factor importante que contribuye a la
distribución espacial de deslizamientos de tierra utilizada para el análisis de
susceptibilidad a deslizamientos de tierra[31,56]. La elevación impacta
significativamente en las características geográficas y tiene una gran influencia en
el fracaso de la pendiente.[35]. La elevación del área de estudio varía de 522 ma
4433 m y el mapa de elevación se calculó a partir de DEM y se derivaron diferentes
clases utilizando la herramienta de reclasificación en ArcGIS 10.8.
6
Revista de ingeniería de Ain Shams 14 (2023) 101907
3.3.4. Curvatura
La geometría del talud también está representada por la curvatura
del talud, y es un factor esencial en la ocurrencia de deslizamientos.[75]
(figura 5d). Según Maggioni y Gruber,[70]La curvatura con valores
negativos se considera cóncava y los valores positivos se consideran
convexos. El valor de curvatura y las curvas de la superficie de la
pendiente aumentan simultáneamente.
3.3.5. Curvatura en planta
Como la trayectoria del agua está controlada por la curvatura en planta, que
se describe como la curvatura de la superficie de la pendiente en una superficie
que es horizontal o la línea de elevación en el mapa topográfico (figura 5mi). Un
valor positivo implica que la superficie de la celda es convexa hacia un lado,
mientras que un valor negativo implica que la superficie de la celda es cóncava
hacia un lado. Por el contrario, una superficie con valor cero se considera lineal o
plana.
A. Hammad Khaliq, M. Basharat, M. Talha Riaz et al.
Figura 6.Mapa que muestra los factores causantes de deslizamientos de tierra (a) distancia a la red de arroyos (b) distancia a la red de carreteras (c) NDVI (d) LU/LC.
3.3.6. Curvatura del perfil
La curvatura con un ángulo de pendiente alto en la dirección de la
superficie de la pendiente se define como curvatura del perfil (figura 5F). La
curvatura del perfil también influye en la trayectoria del agua.[87,119]. Un
número negativo implica que la superficie de la célula es convexa hacia
arriba y un perfil positivo sugiere que la superficie de la célula es cóncava. La
superficie es plana si tiene un valor de cero. La curvatura del perfil afecta la
aceleración o desaceleración del flujo sobre la superficie.
3.3.7. Análisis de humedad topográfica (TWI)
El TWI es también un importante factor causante del movimiento de
masas. El TWI determinó el área con acumulación de flujo de agua, la cual
frecuentemente está asociada a terrenos saturados, tanto de manera
periódica como permanente (figura 5gramo). Se utilizó DEM con una
resolución espacial de 12,5 m utilizando la herramienta de cálculo de
hidrología y ráster en ArcGIS 10.8 para derivar el modelo TWI.[49].
3.3.8. litología
Un elemento que influye de manera importante en la probabilidad de
movimiento de masas es la litología del área (figura 5h). La litología se considera
un parámetro ampliamente aceptado que afecta fuertemente las propiedades
físicas del material de la superficie y el subsuelo y es un elemento clave en la
contribución del fracaso del talud.[54]. El número máximo de fallas de taludes
ocurrió en unidades litológicas que eran frágiles, débiles,
7
Revista de ingeniería de Ain Shams 14 (2023) 101907
o inestable. La variación en la inestabilidad de la superficie del talud también
depende de la diferencia entre las distintas unidades litológicas.[1].
3.3.9. Distancia a las fallas
Las fallas (figura 5i) influir sustancialmente en la distribución del movimiento de
masas cuando las fallas están activas. La mayoría de las fallas de taludes se ven afectadas
por el impacto de las proximidades a las fallas por el agrietamiento de las rocas y
estructuras superficiales.[13]. Se utilizó la herramienta de zona de influencia para
determinar la distancia desde las fallas utilizando el software ArcGIS.
3.3.10. Distancia del drenaje
En un área, la proximidad a un cuerpo de agua aumenta la probabilidad
de falla de un talud al aumentar la presión de los poros del fluido y la
erosión del pie del talud, es por eso que la distancia al drenaje (Figura 6a) se
determina como un parámetro clave que influye en la falla del talud[34,90].
El área del proyecto comprende una gran red de drenaje debido al terreno
montañoso que se extrajo utilizando ALOPS PALAR DEM y luego se
reclasifica en Arc GIS 10.8.
3.3.11. Distancia de las carreteras
Los factores antropogénicos se definen como los factores causados por la
actividad humana como la minería, la remoción de vegetación, etc. La distancia a
la carretera (Figura 6b) es uno de los factores importantes ya que la mayoría de los
deslizamientos de tierra ocurrieron debido a la influencia de la red de carreteras
A. Hammad Khaliq, M. Basharat, M. Talha Riaz et al.
a partir del mismo impacto de la proximidad al drenaje en el terreno montañoso
[114].Los caminos fueron digitalizados a partir de hojas topográficas y Google Earth. Se
crearon varias zonas de influencia en la red de carreteras y luego se reclasificaron
utilizando la herramienta de reclasificación en ArcGIS 10.8.
3.3.12. NDVI
El NDVI se considera un importante factor de influencia ambiental[92](
Figura 6C). El NDVI se toma para medir la densidad de vegetación en la
superficie de la pendiente. Generalmente se reconoce que el aumento de
pastos y raíces tiene un papel crítico en la resistencia del suelo. Utilizando
datos multiespectrales del satélite Landsat 8, se creó un mapa NDVI para
representar la distribución y densidad de la vegetación de la superficie.
3.3.13. Uso del suelo/cobertura del suelo
Los factores controlados por el medio ambiente se consideran importantes en
la ocurrencia de susceptibilidad a deslizamientos. El LU/LC (Figura 6d) del área es
otro parámetro ambiental esencial que influye en el deslizamiento y que previene
la degradación del suelo superficial. El movimiento de masa depende del tipo de
terreno, por lo que la cobertura del suelo es un factor que influye
significativamente en el fracaso de las pendientes. Se utilizaron imágenes de
Landsat-8 con una cobertura de nubes del 2 % para calcular el modelo de uso/
cobertura del suelo. Después de la corrección esencial, se utilizó el software Exiles
ENVI empleando el método de clasificación supervisada para clasificar la imagen
en diferentes clases de uso del suelo (es decir, bosque, páramo, pastizal, cuerpos
de agua y suelo urbano).
3.4. Métodos de aprendizaje automático
Los enfoques de ML son más confiables en áreas donde no se puede
demostrar la relación estadística directa entre causa y efecto.[27]. Hoy en día, el
ML se considera más apropiado para evaluar la susceptibilidad a deslizamientos
de tierra.[58]. Se utilizó una extensión del paquete de herramientas de ArcGIS, que
se denominó Landslide Susceptibility Modeling (LSM), para construir el modelo de
susceptibilidad a deslizamientos de tierra LR y RF.[97]. El paquete de herramientas
LSM es una extensión de ArcGIS específicamente diseñado/desarrollado para el
modelado y mapeo de susceptibilidad a deslizamientos de tierra, por lo que se
utilizó.[97]. Implica un lenguaje de programación R de código abierto integrado
con el entorno ArcGIS que incluye varios paquetes (por ejemplo, rgdal, raster,
randomForest, etc.)
[97]. Además, es necesario instalar el entorno de ejecución de Java para este
paquete de herramientas.
3.4.1. Regresión logística
Varios investigadores consideran que el LR es el enfoque más utilizado
para LSM.[17,54,84,97]. Esta técnica se utiliza para predecir la ocurrencia de
fallas de taludes utilizando la respuesta binaria de variables como la
ocurrencia y no ocurrencia de deslizamientos de tierra a través de variables
escaladas de manera categórica y continua.[42,104]. La ocurrencia de
deslizamientos de tierra en la zona está representada por ''100, y la ausencia
de deslizamiento de tierra se representa con ''0''[26,65], mientras que la
relación entre el deslizamiento de tierra y los parámetros desencadenantes
se calcula mediante la siguiente ecuación matemática(1).
1 demuestra la eficacia con la que el modelo distribuye espacialmente muestras de
PAG¼
1þmi-z
P es la probabilidad prevista de la presencia de un deslizamiento de tierra en una curva en
forma de "S".
''z” es la representación lineal. Entonces, en LR, usando la ecuación(2)el
conjunto de datos está ajustado.
z¼b0þb1X1þb2X2þb3X3þb4X4þb5X5þ þbnorteXnorte
Donde ''b” es la intersección del modelo y los coeficientes de pendiente. ''x''
son las variables independientes.
Revista de ingeniería de Ain Shams 14 (2023) 101907
3.4.2. bosque aleatorio
Hoy en día el algoritmo predeterminado de ML más utilizado para el
modelado de susceptibilidad es el RF que Breiman
[20]desarrollar. Es reconocido como un enfoque más confiable y
preciso para la probabilidad de deslizamientos de tierra.
[33,61,80,97,106]ya que construye varios DT y los combina.
En este enfoque, las muestras de cada árbol se eligen arbitrariamente y
la decisión final se determina utilizando la técnica de votación mayoritaria.
RF puede manejar grandes conjuntos de datos para resolver el problema
con resultados precisos y confiables con poco o ningún ajuste fino, lo que
genera una resistencia al sobreajuste del modelo. Para predecir el modelo
susceptible a deslizamientos de tierra más válido basado en el enfoque RF,
los factores probatorios deben ajustarse mediante algoritmos ML. El LSM de
RF tiene un conjunto de varios hiperparámetros como nodesize, ntree, mtry
y en este estudio se eligió ntree para 250, mtry para 4 y nodesize para 5. La
estructura de cada árbol único está controlada por el tamaño del nodo. El
ntree se refiere a la estructura y el tamaño del bosque, mientras que el mtry
se refiere al número de variables evaluadas como variables de división
candidatas en cada división o al procedimiento de muestreo utilizado para
producir los conjuntos de datos en los que se crean los árboles.
[89].
3.5. Análisis de selección de factores.
Para una modelización precisa y confiable, también es esencial
determinar el conjunto adecuado de LCF, que son importantes para los
LSM. [50,59,74,109]. En este estudio, se realizan análisis de
comparación estadística para evaluar la importancia de influir en los
elementos causales en el modelo de susceptibilidad. Los LCF se
consideran significativos si tienen un valor de p < 0,05[64,69,96]. La
prueba más utilizada es la Chi-Cuadrado, un método estadístico basado
en la hipótesis de datos específicos al determinar la asociación de que
dos variables sean independientes o estén correlacionadas.[102]. El
análisis se realizó en los trece LCF utilizando el módulo de selección de
funciones del paquete de herramientas LSM. En este estudio, este
análisis se empleó como un algoritmo de clasificación de características
y la variación en el rendimiento del algoritmo de predicción se evaluó
mediante la prueba F. Además, pruebas de comparaciones como
Kolmogorov-Smirnov, prueba F, One-Sample-t-La prueba y el rango con
signo de Wilcoxon se utilizan para la relación de influencia por pares y
asignan el rango a las causas de influencia en la prueba de
comparación que determina con las condiciones causales.
3.6. Modelo de validación
La evaluación de cualquier LSM es una tarea bastante difícil, ya que implica el
examen de la autenticidad del modelo y las incertidumbres del resultado. Las
pruebas estadísticas simplemente verifican los datos de deslizamientos de tierra
seleccionados al azar (datos de prueba) con el LSM producido. Los métodos de
prueba estadística más utilizados son la curva de tasa de éxito (SRC) y la curva de
tasa de predicción (PRC). SRC utiliza los datos de entrenamiento mientras que PRC
utiliza datos de prueba. SRC indica qué tan bien el modelo clasifica espacialmente
la dispersión del conjunto de datos existente (muestras de entrenamiento), pero
no representa qué tan bien el modelo predice el conjunto de datos desconocido.
[21]. PRC define la predictividad del modelo de susceptibilidad; esta curva
d1Þ prueba desconocidas.[21]. La ROC (curva de funcionamiento del receptor) es una
ilustración gráfica de la relación entre un verdadero positivo o sensibilidad
(píxeles/puntos de deslizamiento de tierra correctamente predichos) en el eje Y y
un falso positivo o especificidad (predice falsamente píxeles/puntos de
deslizamiento de tierra) en el eje X. -eje[76].
Además, para evaluar los LSM se utilizan otras métricas, como el
coeficiente Kappa (k) de Cohen, la precisión, el AUC clasificado, el AUC no
d2Þ
clasificado, el MAE, el Kappa, la precisión, la recuperación y la puntuación F1.
El área bajo la curva[18]kappa (k), precisión, recuperación y F1 mide la
precisión del modelo (la capacidad del modelo para distinguir casos
8
A. Hammad Khaliq, M. Basharat, M. Talha Riaz et al. Revista de ingeniería de Ain Shams 14 (2023) 101907

con una condición y casos determinados con precisión). La precisión del
modelo se considera excelente si estos valores están cerca de 1 – 0,9, < 0,9 –
0,8 bueno, < 0,8 – 0,7 medio, < 0,7 – 0,6 suficiente, < 0,6 – 0,5 malo y se
consideraría pobre si estos valores los valores son < 0,5. Mientras que los
valores de MAE y RMSE están más cerca de <0,5, los LSM se consideran
excelentes.
4. Resultados y discusión
4.1. Modelos de susceptibilidad a deslizamientos de tierra.
Los modelos de susceptibilidad de diferentes años (2005, 2007 y 2012) del área
de estudio se desarrollaron utilizando valores asignados a los LCF mediante el
empleo de dos enfoques ML distintos y altamente precisos, es decir, LR y RF
utilizando ArcGIS 10.8. Los LSM resultantes representan la probabilidad de
deslizamientos de tierra en un rango "bajo a alto", donde el nivel bajo indica un
área segura frente a la actividad de movimientos masivos y el nivel alto indica una
probabilidad de que ocurran deslizamientos de tierra (figura 7.) Los coeficientes LR
y RF "Gini de disminución media" (IncNodepurity) de LCF se utilizan para calcular
LSM. Cada conjunto de datos delimita ligeramente áreas más o menos variables
que son susceptibles a actividades de movimientos masivos.
Además, cada LSM se clasifica en cuatro zonas (baja, moderada, alta y
muy alta) para comprender la zona potencial de alto riesgo de ocurrencia de
deslizamientos de tierra. Los RF y LR-LSM se muestran en lafigura 7. Los LSM
caracterizaron áreas de alta y muy alta susceptibilidad a
Identificar la probabilidad máxima de ocurrencia de deslizamientos de tierra a lo largo de
la vecindad de la falla. La región se distribuye principalmente a lo largo de caminos con
pendientes moderadas a pronunciadas y elevaciones entre 1000 y 1500 m.
Figura 8muestra el área ocupada por estas zonas susceptibles en diferentes
años. El coeficiente RF IncNodePurity y LR muestra que el gradiente de la
pendiente y la litología del área, como la Formación Murree y la Formación Tanol,
son LCF efectivas entre todas las demás LCF para la actividad de deslizamientos de
tierra en los años 2005, 2007 y 2012. El modelo de susceptibilidad LR determina
185,99 km.2área en zona de muy alta susceptibilidad mientras que el modelo de
susceptibilidad a RF define 180,49 km2área en zona muy altamente susceptible
con conjunto de datos de 2005 (Figura 8). A partir del conjunto de datos de 2005,
la zona de susceptibilidad muy alta aumenta, ya que el modelo de susceptibilidad
LR muestra un aumento de aproximadamente 0,87 km.2en el área, mientras que el
modelo de susceptibilidad a RF representa 0,57 km2aumento del área en el
conjunto de datos de 2007. La zona de muy alta susceptibilidad vuelve a aumentar
con un incremento importante en el conjunto de datos de 2012, ya que el modelo
de susceptibilidad LR muestra un aumento de aproximadamente 7,98 km.2en el
área, mientras que los modelos de susceptibilidad a RF ilustran 6,52 km2aumento
del área en el conjunto de datos de 2012. En el conjunto de datos de 2005, la zona
de baja susceptibilidad del área determinada por el LR y los modelos de
susceptibilidad a RF es 174,48 km.2y 177,36 kilometros2del área total
respectivamente. La zona de baja susceptibilidad del área de estudio aumenta en
0,93 km2para LR y 3,95 km2para RF en el conjunto de datos de 2007. Considerando
que, según el conjunto de datos de 2012, la zona poco susceptible de la zona ha
disminuido desde 2007 en 1,5 km2para LR y 7,76 km2para RF. Ambos modelos de
susceptibilidad a ML muestran que el área propensa a

Figura 7.Los mapas de susceptibilidad a deslizamientos de tierra del distrito Hattian Bala: (a): modelo LR para 2005, (b) modelo LR para 2007, (c) modelo LR para 2012, (d) modelo RF para 2005, (e) modelo RF para 2007 , (f)
Modelo RF para 2012.

9
A. Hammad Khaliq, M. Basharat, M. Talha Riaz et al. Revista de ingeniería de Ain Shams 14 (2023) 101907

Figura 8.Representación gráfica de porcentajes de área de diferentes zonas de susceptibilidad a deslizamientos en cada modelo.

La actividad de deslizamientos de tierra está aumentando en zonas muy
susceptibles en todo el conjunto de datos del año. Según Costanzo et al.[29],
los factores topográficos impactan significativamente la ocurrencia de
deslizamientos de tierra, lo que se correlaciona con nuestros hallazgos.
Nuestros resultados demuestran que el gradiente de pendiente junto con
las unidades litológicas son los LCF más influyentes, lo que está en línea con
los hallazgos de Riaz et al.[92], Pham et al.,[86], Ikram et al.,[54]y Ahmed et
al.,[2]. Chen y otros,[25]empleó ML-RF y descubrió que la elevación, la
distancia al drenaje, el NDVI, la curvatura y la lluvia son los LCF más
importantes. Estas observaciones establecieron que la importancia de los
LCF significativos varía según la región y los modelos empleados.
4.2. Validación y comparaciones de modelos.
La evaluación de cualquier modelo de susceptibilidad al ML puede controlar la
sensibilidad de los datos de entrada, incluido el rendimiento predictivo del
modelo.[1,16,95]. Las métricas estadísticas se obtuvieron utilizando el módulo
''Evaluación del desempeño” del paquete de herramientas LSM que se muestran
enTabla 2.Sin la validación de los resultados del modelo de susceptibilidad es
improductivo y no tiene valor de importancia científica porque LSM es una forma
sistemática de determinar el área altamente susceptible en relación con la
distribución espacial de los deslizamientos de tierra.
Comparativamente, los LSM de RF muestran un AUC-ROC más alto
que el LR, como se muestra enFigura 9yTabla 2. Los RF-SRC son 99.789,
99.039 y 99.799 para los años 2005, 2007 y 2012, y los RF-PRC son
93.577, 89.242 y 98.271 para los años 2005, 2007 y 2012
respectivamente. El LR-SRC y son 87.774, 85.425 y 98.033 para el año
2005, 2007, 2012 y la LR-PRC es 87.266, 85.68 y 97.139 respectivamente.
La tasa de predicción de los modelos RF y LR es buena ya que su Kappa
(k) el rendimiento de los valores oscila entre 0,52 y 0,78 en el conjunto de datos de
todo el año. Además, las otras métricas de validación de ML-LSM, como exactitud,
precisión, MAE, RMSE, recuperación y F1, también funcionan bien en el conjunto
de datos de todo el año.
Las precisiones de RF, MAE, RMSE, kappa, precisión, recuperación y
rendimiento de los valores F1 se dan en la tabla 2. Los resultados de las
métricas revelaron que todos los modelos LSM de diferentes años caen en la
clasificación buena y tienen buena precisión de resultados para el
deslizamiento de tierra. evaluación de susceptibilidad. Las métricas de
validación de dos enfoques de ML que utilizan el conjunto de datos de
prueba muestran que el modelo RF (0,82 para 2005, 0,79 para 2007 y 0,89
para 2012) tiene una buena precisión de predicción que el LR (0,78 para
2005, 0,76 para 2007 y 0,78 para 2012). ). Estas métricas de precisión
sugieren que RF es el modelo de ML más confiable y eficiente. Chen et al.[25]
Utilizamos modelos LR, RF, clasificación y árbol de regresión en análisis
comparativos y descubrimos que el modelo RF generó la mayor precisión en
comparación con los otros dos modelos, lo que está en línea con nuestros
hallazgos. Recientemente Ikram et al.,[54]analizó comparativamente
diferentes modelos estadísticos y de ML a lo largo del corredor económico
China Pakistán (CPEC) y descubrió que ML-LR superó a otros modelos
estadísticos en términos de precisión. Estos hallazgos también están en línea
con nuestras observaciones. También observaron que las unidades
geológicas, la pendiente de la pendiente y el uso/cobertura del suelo son los
LCF más influyentes en la región. También hemos observado resultados
similares en nuestra región de estudio.

Tabla 2
Métricas de precisión para LR y RF evaluadas utilizando el módulo de evaluación de desempeño del paquete de herramientas LSM.

Modelo Exactitud AUC AUC MAE RMSE Kappa Precisión Recordar F1 SRC República Popular China

Clasificado No clasificado

RF-2005 0,827 0,837 0.935 0,172 0.415 0.645 0.716 0,877 0,789 99.789 93.577
RF-2007 0,792 0.807 0,892 0.207 0.455 0,579 0,669 0.863 0,754 99.039 89.242
RF-2012 0.891 0.906 0.982 0.108 0,329 0,784 0.993 0.819 0,898 99.799 98.271
LR-2005 0.780 0,787 0,872 0.219 0.468 0.549 0.664 0.814 0.731 87.774 87.266
LR-2007 0,768 0,774 0,856 0.231 0.481 0.524 0,651 0,797 0.717 85.425 85,68
LR-2012 0,788 0.817 0.971 0.211 0.460 0,592 0.984 0,648 0,782 98.033 97.139

10
A. Hammad Khaliq, M. Basharat, M. Talha Riaz et al.
Figura 9.AUC muestra la eficiencia para modelos de probabilidad posteriores (a) Curvas de tasa de éxito (SRC) de RF. (b) SRC de LR. (c) Curvas de tasa de predicción (PRC) de RF. d) República Popular China de LR.
5. Conclusión
Este trabajo de investigación aplicó el algoritmo ML, es decir, RF y LR para
evaluar la probabilidad de actividad de deslizamientos de tierra e identificar las
zonas de susceptibilidad de los deslizamientos utilizando un inventario temporal
de deslizamientos de tierra para el distrito Hattian Bala, noroeste del Himalaya,
Pakistán. Los deslizamientos de tierra en todo el distrito de Hattian Bala han
provocado importantes pérdidas económicas, como daños a carreteras,
infraestructura y asentamientos. El estudio utilizó un inventario espaciotemporal
de deslizamientos de tierra (2005, 2007 y 2012) con trece factores causales que
incluyen variables topográficas, geológicas, ambientales y antropogénicas para
desarrollar ML-LSM y evaluar la causa de la ocurrencia de deslizamientos de tierra
en el área. Los LSM revelaron que las actividades de deslizamientos de tierra en el
área de estudio están significativamente controladas por la pendiente junto con el
control litológico (es decir, volcánicos Panjal, formación Murree) en las cercanías
de las fallas. La RF más confiable
11
Revista de ingeniería de Ain Shams 14 (2023) 101907
LSM basado en conjuntos de datos de análisis de los años 2005, 2007 y 2012
reveló que la zona muy altamente susceptible está aumentando continuamente en
el área. La validación de modelos de ML a partir de métricas estadísticas como
AUC-ROC, Accuracy, AUC-C, AUC-NC, Kappa, RMSE, retirada, MAE y F1 reveló que
los modelos de ML son factibles. Los resultados sugieren además que los RF-LSM
son más auténticos y confiables que los LR-LSM. Se sugiere que los modelos ML
sean los modelos más óptimos aceptados para la predicción de deslizamientos en
el área investigada.
Este estudio prevalece en el sentido de que no se ha realizado ninguna investigación
previa sobre LSM basado en ML para determinar su eficacia en esta región específica. El
uso de registros históricos de deslizamientos de tierra de diversas fuentes se puede
explotar para generar inventarios temporales de deslizamientos para una evaluación
recursiva del peligro de deslizamientos. Finalmente, los resultados de este estudio
proporcionan información para que los planificadores urbanos, las autoridades de
gestión de desastres y los tomadores de decisiones identifiquen las áreas propensas a
deslizamientos de tierra e identifiquen espacialmente los lugares para un control seguro.
A. Hammad Khaliq, M. Basharat, M. Talha Riaz et al. Revista de ingeniería de Ain Shams 14 (2023) 101907

estrategias de construcción. Se podrían realizar más prácticas para los estudios de evaluación del riesgo de [22]Bulmer M, Farquhar T, Roshan M, Akhtar SS, Wahla SK. Peligros de deslizamientos de tierra
después del terremoto de Cachemira de 2005: Eos. Unión Trans Am Geophys 2007;88
deslizamientos de tierra para producir mapas de riesgo para evitar el desarrollo de infraestructura en
(5):53–5.
regiones con riesgo de deslizamientos de tierra. [23] Calkins, JA, JA, C., TW, O. y SKM, A., 1975, Geología del sur del Himalaya en Hazara,
Pakistán y áreas adyacentes.
[24] Catani, F., Lagomarsino, D., Segoni, S. y Tofani, V., 2013, Estimación de la susceptibilidad a
Declaración de intereses en competencia
deslizamientos de tierra mediante técnica de bosques aleatorios: cuestiones de
sensibilidad y escala: peligros naturales y ciencias del sistema terrestre, V. 13, Núm. 11,
Los autores declaran que no tienen intereses financieros en pág. 2815-2831.
competencia ni relaciones personales conocidas que pudieran haber [25]Chen W, Xie X, Wang J, Pradhan B, Hong H, Bui DT, et al. Un estudio comparativo de
modelos de árbol logístico, bosque aleatorio y árboles de clasificación y regresión
influido en el trabajo presentado en este artículo. para la predicción espacial de la susceptibilidad a deslizamientos de tierra. Cadena
2017;151:147–60.
Agradecimientos [26]Chen Z, Wang J. Mapeo de peligros de deslizamientos de tierra utilizando un modelo de regresión
logística en el valle de Mackenzie, Canadá. Peligros naturales 2007;42(1):75–89.
[27]Chowdhury M, Sadek AW. Ventajas y limitaciones de la inteligencia artificial:
El estudio fue apoyado por la Comisión de Educación Superior (HEC) de aplicaciones de la inteligencia artificial a cuestiones críticas de transporte
Pakistán, subvención n.° 8899 en el marco del Proyecto Nacional de Investigación 2012;6(3):360–75.
[28]Costache R, Arabameri A, Moayedi H, Pham QB, Santosh M, Nguyen
para Universidades (NRPU).
H, et al. Estimación del índice de potencial de inundaciones repentinas utilizando lógica
difusa combinada con una red neuronal de aprendizaje profundo, ingenuo Bayes.
Referencias XGBoost y árbol de clasificación y regresión: Geocarto Internacional; 2021. pág. 1–28.

[29]Costanzo D, Rotigliano E, Irigaray C, Jiménez-Perálvarez JD, Chacón J. Selección de factores

[1]Aditian A, Kubota T, Shinohara Y. Comparación de modelos de susceptibilidad a
en la modelización de la susceptibilidad a deslizamientos a gran escala siguiendo el
deslizamientos de tierra basados en SIG utilizando índice de frecuencia, regresión
método de la matriz gis: aplicación a la cuenca del río Beiro (España). Nat Hazards Earth
logística y red neuronal artificial en una región terciaria de Ambon 2018;V. 318:101–11.
Syst Sci 2012;12(2):327–40.
[2]Ahmed KS, Basharat M, Riaz MT, Sarfraz Y, Shahzad A. Investigación geotécnica y
[30]Dahal RK, Hasegawa S, Nonomura A, Yamanaka M, Dhakal S, Paudyal
evaluación de la susceptibilidad a deslizamientos de tierra a lo largo de la carretera
P. Modelado predictivo del peligro de deslizamientos de tierra inducidos por las lluvias en
Neelum: un estudio de caso del Himalaya Menor, Pakistán. Árabe J Geosci
el Himalaya Menor de Nepal basado en la ponderación de la evidencia 2008;102(3– 4):496–
2021;14(11):1–19.
510.
[3]Ali SA, Parvin F, Vojteková J, Costache R, Linh NTT, Pham QB, et al. Modelado de susceptibilidad a
[31]Dai F, Lee C. Mapeo de la susceptibilidad a deslizamientos de tierra basado en el terreno utilizando un
deslizamientos de tierra basado en SIG: una comparación entre algoritmos difusos de criterios
sistema de información geográfica: un estudio de caso 2001;38(5):911–23.
múltiples y de aprendizaje automático. Frente Geosci 2021;12(2):857–76.
[32]Dai FC, Xu C, Yao X, Xu L, Tu XB, Gong QM. Distribución espacial de los deslizamientos de tierra
[4]Arabameri A, Pradhan B, Rezaei K, Sohrabi M, Kalantari Z. Mapeo de susceptibilidad a
provocados por el terremoto de Wenchuan de 8,0 grados en 2008, China. J Ciencia de la Tierra
deslizamientos de tierra basado en SIG utilizando un modelo bivariado de factor de riesgo
asiática 2011;40(4):883–95.
numérico y su conjunto con regresión lineal multivariada y algoritmos de árbol de
[33] Dou, J., Yunus, AP, Bui, DT, Merghadi, A., Sahana, M., Zhu, Z., Chen, C.-W., Khosravi, K., Yang,
regresión potenciada. Revista de ciencias de la montaña 2019;16(3):595–618.
Y., y Pham, BT, 2019, Evaluación de algoritmos avanzados de bosques aleatorios y árboles
[5]Aydin A, Eker R, Fuchs H. Análisis de datos Lidar con correlación de imágenes digitales (Dic)
de decisión para modelar la susceptibilidad a deslizamientos de tierra inducidos por
para obtener campos de desplazamiento de deslizamientos de tierra: un caso de
lluvias en la isla volcánica de Izu-Oshima, Japón: Ciencia del medio ambiente total, V. 662,
Gschliefgraben Landslide-Austria: en línea. J Sci Technol 2017;7:139–45.
p. 332-346.
[6] Baig, MS, Fallamiento activo y deformación sísmica en la sintaxis de Hazara-
[34]Du GL, Zhang YS, Iqbal J, Yang ZH, Yao X. Mapeo de susceptibilidad a deslizamientos
Cachemira, Azad Cachemira, noroeste del Himalaya, Pakistán,enActas Extended
de tierra utilizando un modelo integrado de método de valor de información y
Abstracts, Conferencia internacional del 8 de octubre de 2005 Terremoto en
regresión logística en la cuenca de Bailongjiang. Provincia de Gansu, China: Journal
Pakistán: sus implicaciones y mitigación de peligros 2006, Citeseer, pág. 27-28.
of Mountain Science 2017;14(2):249–68.
[7]Baig MS, Lawrence RD. Orogénesis del Precámbrico al Cámbrico temprano en el
[35]Ercanoglu M, Gokceoglu C, Van Asch TWJ. Zonificación de la susceptibilidad a deslizamientos de tierra
Himalaya. Cachemir. J Geol 1987;5:1–22.
al norte de Yenice (noroeste de Turquía) mediante técnicas estadísticas multivariadas. Peligros
[9]Basharat M. La distribución, las características y el comportamiento de los movimientos
naturales 2004;32(1):1–23.
masivos provocados por el terremoto de Cachemira de 2005, noroeste del Himalaya.
[36]Esri, ead. Versión 10.8 [software]. Redlands, CA: Instituto de Investigación de
Universidad Friedrich-Alexander-Erlangen-Nürnberg (FAU); 2012.
Sistemas Ambientales; 2019.
pag. 183. Pakistán [Tesis doctoral]:.
[38]Farooq S, Akram MS. Comparación de la evaluación de la susceptibilidad a deslizamientos de
[10]Basharat M, Riaz MT, Jan MQ, Xu C, Riaz S. Una revisión de los deslizamientos de tierra relacionados
tierra basada en datos utilizando métodos de peso de la evidencia, valor de la
con el terremoto de Cachemira de 2005: implicaciones y desafíos futuros. Peligros nacionales
información, índice de frecuencia y factor de certeza. Acta Geodynamica et Geromaterialia
2021;108(1):1–30.
2021;18 (3):301–18.
[11]Basharat M, Rohn J. Efectos del volumen en la distancia recorrida de los movimientos
[39] Galli, M., Ardizzone, F., Cardinali, M., Guzzetti, F. y Reichenbach, P., 2008, Comparación de
masivos provocados por el terremoto de Cachemira de 2005, en el Himalaya nororiental
mapas de inventario de deslizamientos de tierra: Geomorfología, V. 94, No. 3-4, p.
de Pakistán. Peligros naturales 2015;77(1):273–92.
268-289.
[12] Basharat, M., Rohn, J., Baig, MS y Khan, MR, 2014a, Análisis de distribución espacial
[41] Girma, F., Raghuvanshi, TK, Ayenew, T. y Hailemariam, T., 2015b, Zonificación del peligro de
de movimientos de masas provocados por el terremoto de Cachemira de 2005 en
deslizamientos de tierra en el distrito de Ada Berga, Etiopía central: un enfoque
el Himalaya nororiental de Pakistán: Geomorfología, V. 206, p. . 203-214.
estadístico basado en SIG: J. Geomatics, V. 90, Sin IP. 25-38.
[13] Basharat, M., Rohn, J., Baig, MS, Khan, MR y Schleier, M., 2014b, Movimientos de
[42]Goetz JN, Brenning A, Petschko H, Leopold P. Evaluación de técnicas de aprendizaje
masas a gran escala provocados por el terremoto de Cachemira de 2005, Pakistán:
automático y predicción estadística para modelos de susceptibilidad a deslizamientos de
Journal of Mountain Science, V. 11 , núm. 1, pág. 19-30.
tierra. Comput Geosci 2015; 81: 1–11.
[14]Basharat M, Rohn J, Ehret D, Baig MS. Control litológico y estructural de la avalancha
[43]Gokceoglu C, Sonmez H, Nefeslioglu HA, Duman TY, Can T. Deslizamiento de tierra de Kuzulu (Sivas,
de rocas de Hattian Bala provocada por el terremoto de Cachemira de 2005.
Turquía) del 17 de marzo de 2005 y mapa de susceptibilidad a deslizamientos de tierra de sus
Subhimalaya, norte de Pakistán: Journal of Earth Science 2012;23(2):213–24.
inmediaciones. Eng Geol 2005;81(1):65–83.
[15]Basharat M, Shah HR, Hameed N. Mapeo de susceptibilidad a deslizamientos de tierra utilizando SIG y
[44]Gorum T, Carranza EJM. Control del estilo de falla en el patrón espacial de
método de superposición ponderada: un estudio de caso del noroeste del Himalaya, Pakistán.
deslizamientos de tierra provocados por terremotos: Revista internacional de
Árabe J Geosci 2016;9(4):1–19.
ciencia y tecnología ambiental 2015;12(10):3189–212.
[dieciséis]Beguería S. Validación y evaluación de modelos predictivos en evaluación de
[45]Gorum T, Fan X, van Westen CJ, Huang RQ, Xu Q, Tang C, et al. Patrón de distribución de los
peligros y gestión de riesgos. Peligros naturales 2006;37(3):315–29.
deslizamientos de tierra inducidos por terremotos provocados por el terremoto de
[17]Benchelha S, Aoudjehane HC, Hakdaoui M, El Hamdouni R, Mansouri H, Benchelha T, et al.
Wenchuan del 12 de mayo de 2008. Geomorfología 2011;133(3–4):152–67.
Mapeo de susceptibilidad a deslizamientos de tierra en el municipio de Oudka, norte de
[46] GSP, 2018, Mapa geológico de Muzaffarabad: Servicio geológico de Pakistán,
Marruecos: una comparación entre modelos de regresión logística y redes neuronales
Gobierno. de Pak., escala 1:50000.
artificiales: Int Arch Photogramm Remote Sens Spatial.
[47]Guha-Sapir D, Checchi F. Ciencia y política del número de muertos por desastres, Volumen
Ciencia informática 2019;42(4):W12.
362, publicación de revistas médicas británicas. Grupo 2018.
[18]Benz UCH, Willhauck P, Lingenfelder G, Heynen I, Markus,. Análisis difuso de múltiples
[48]Guo C, Montgomery DR, Zhang Y, Wang K, Yang Z. Evaluación cuantitativa de la
resoluciones y orientado a objetos de datos de teledetección para obtener información
susceptibilidad a deslizamientos de tierra a lo largo de la zona de falla de Xianshuihe.
preparada para SIG. ISPRS J Photogramm Remote Sens 2004;58(3–4):239–58.
Meseta tibetana, China: Geomorfología 2015;248:93–110.
[19] Bragagnolo, L., da Silva, RV y Grzybowski, JMV, 2020, Mapeo de susceptibilidad a
[49]Gruber S, Peckham S. Parámetros y objetos de la superficie terrestre en hidrología. Desarrollo de
deslizamientos de tierra con r. deslizamiento de tierra: una herramienta gratuita de
ciencia del suelo 2009;33:171–94.
código abierto integrada en SIG basada en redes neuronales artificiales: software y
[50]Gupta S, Shukla D, Thakur M. Selección de ponderaciones para los factores causantes utilizados en la
modelado ambiental, V. 123, p. 104565.
preparación de la zonificación de susceptibilidad a deslizamientos de tierra (LSZ): Geomática.
[20] Breiman, L., 2001, Random Forest, vol. 45: Aprendizaje Mach, V.1.
Peligros y riesgos naturales 2018;9:471–87.
[21]Bui DT, Lofman O, Revhaug I, Dick O. Análisis de susceptibilidad a deslizamientos de tierra
[51] Guzzetti, F., Evaluación del peligro de deslizamientos de tierra y evaluación del riesgo:
en la provincia de Hoa Binh de Vietnam mediante índice estadístico y regresión logística:
límites y perspectivas 2002 2002, p. 2-4.
peligros naturales 2011;59(3):1413–44.

12
A. Hammad Khaliq, M. Basharat, M. Talha Riaz et al.
[52]Guzzetti F, Mondini AC, Cardinali M, Fiorucci F, Santangelo M, Chang KT. Mapas de inventario de
deslizamientos de tierra: nuevas herramientas para un viejo problema. Ciencia de la Tierra Rev
2012;112(1–2):42–66.
[53]Hamza T, Raghuvanshi TK. Evaluación y zonificación del peligro de deslizamientos de tierra
basada en SIG: un caso del distrito de Jeldu. Etiopía central: Revista de ciencia de la
Universidad Rey Saud 2017;29(2):151–65.
[54]Ikram N, Basharat M, Ali A, Usmani NA, Gardezi SAH, Hussain ML, et al. Comparación de
modelos de susceptibilidad a deslizamientos de tierra y su análisis de robustez: un estudio
de caso del noroeste del Himalaya. Pakistán: Geocarto Internacional; 2021.
pag. 1–38.
[55]Jadoon IA, Hinderer M, Kausar AB, Qureshi AA, Baig MS, Basharat M, et al. Interpretación
estructural y evaluación de riesgos geográficos de una línea de bloqueo: terremoto de
Cachemira de 2005, Himalaya occidental. Ciencias Ambientales de la Tierra
2015;73(11):7587–602.
[56]Kamp U, Growley BJ, Khattak GA, Owen LA. Mapeo de susceptibilidad a deslizamientos de tierra
basado en SIG para la región del terremoto de Cachemira de 2005. Geomorfología 2008;101
(4):631–42.
[57] Kargel, JS, Leonard, GJ, Shugar, DH, Haritashya, Reino Unido, Bevington, A., Fielding,
EJ, Fujita, K., Geertsema, M., Miles, ES y Steiner, J., 2016, Controles geomórficos y
geológicos de los riesgos geológicos inducidos por el terremoto de Gorkha en
Nepal en 2015: Science, V. 351, No. 6269, p. aac8353.
[58] Kavzoglu, T., Colkesen, I. y Sahin, EK, 2019, Técnicas de aprendizaje automático en el mapeo de
susceptibilidad a deslizamientos de tierra: una encuesta y un estudio de caso: Deslizamientos de
tierra: teoría, práctica y modelado, p. 283-301.
[59] Kavzoglu, T., Sahin, EK y Colkesen, I., 2015, Selección de factores condicionantes óptimos en
el mapeo de susceptibilidad a deslizamientos de tierra traslacionales poco profundos
utilizando un algoritmo genético: Engineering Geology, V. 192, p. 101-112.
[60] Kazmi, AH y Rana, RA, 1982, Mapa tectónico de Pakistán 1: 2 000 000: Estudio
geológico de Pakistán, Mapa que muestra características estructurales y etapas
tectónicas en Pakistán.
[61]Kim JC, Lee S, Jung HS, Lee S. Mapeo de susceptibilidad a deslizamientos de tierra utilizando
bosques aleatorios y modelos de árboles potenciados en Pyeong-Chang. Corea: Geocarto
internacional 2018;33(9):1000–15.
[62] Kirschbaum, D., Stanley, T. y Zhou, YJG, 2015, Análisis espacial y temporal de un
catálogo global de deslizamientos de tierra, V. 249, p. 4-15.
[63]Kumar KV, Martha T, Roy P. Mapeo de los daños en Jammu y Cachemira causados
por el terremoto de Mw 7,3 del 8 de octubre de 2005 a partir de imágenes de
Cartosat-1 y Resourcesat-1. Int J Remote Sens 2006;27(20):4449–59.
[64]Kutlug Sahin E, Ipbuker C, Kavzoglu T. Investigación de métodos automáticos de
ponderación de características (Fisher, Chi-cuadrado y Relief-F) para el mapeo de
susceptibilidad a deslizamientos de tierra. Geocarto Internacional 2017;32(9):956–77.
[65] Lee, CT, Revisión y perspectivas sobre la metodología para el análisis de peligro de deslizamientos de
tierra 2015 2015.
[66]Lee S. Aplicación de modelos de índice de probabilidad y regresión logística al mapeo de
susceptibilidad a deslizamientos de tierra utilizando SIG. Environ Manage 2004;34 (2):223–
32.
[67]Li Z, Tian B, Liu S, Yang J. Asperidad del terremoto de Lushan de 2013 en el margen
oriental de la meseta tibetana a partir de tomografía sísmica y reubicación de
réplicas. Geophys J Int 2013;195(3):2016–22.
[68] Liao, H.-W. y Lee, C.-T., Deslizamientos de tierra provocados por el terremoto de
Chi-Chi 2000, Volumen 1, pág. 383-388.
[69] Luqman, M., Shafique, M., Bacha, A., Chen, X.-Q. y Chen, H., 2021, Inventario de
deslizamientos de tierra y evaluación de susceptibilidad utilizando múltiples enfoques
estadísticos a lo largo de la autopista Karakoram, norte de Pakistán. : Revista de ciencias
de la montaña.
[70]Maggioni M, Gruber U. La influencia de los parámetros topográficos en la dimensión y
frecuencia de liberación de avalanchas. Cold Reg Sci Technol 2003;37(3):407–19.
[71]Martha TR, Kerle N, Jetten V, van Westen CJ, Kumar KV. Caracterización de
propiedades espectrales, espaciales y morfométricas de deslizamientos de tierra
para su detección semiautomática mediante métodos orientados a objetos.
Geomorfología 2010;116(1–2):24–36.
[72]Mengistu F, Suryabhagavan KV, Raghuvanshi TK, Lewi E. Zonificación del peligro de
deslizamientos de tierra y evaluación de la inestabilidad de pendientes utilizando datos
ópticos e InSAR: un estudio de caso de la ciudad de Gidole y sus alrededores, en el sur de
Etiopía. Teledetección de la Tierra 2019;3(1):1–14.
[73]Merghadi A, Yunus AP, Dou J, Whiteley J, ThaiPham B, Bui DT, et al. Métodos de aprendizaje
automático para estudios de susceptibilidad a deslizamientos de tierra: una descripción
comparativa del rendimiento de los algoritmos. Ciencia de la Tierra Rev 2020;207:103225.
[74]Micheletti N, Foresti L, Robert S, Leuenberger M, Pedrazzini A, Jaboyedoff M, et al. Métodos de
selección de características de aprendizaje automático para el mapeo de susceptibilidad a
deslizamientos de tierra: geociencias matemáticas 2014;46(1):33–57.
[75]Nefeslioglu HA, Gokceoglu C, Sonmez H. Una evaluación sobre el uso de regresión logística y
redes neuronales artificiales con diferentes estrategias de muestreo para la preparación
de mapas de susceptibilidad a deslizamientos de tierra. Eng Geol 2008;97(3– 4):171–91.
[76]Negnevitsky M. Inteligencia artificial: una guía para sistemas inteligentes. Harlow:
AddisonWesley/Pearson Educación; 2002. pág. 394.
[77]Owen LA, Kamp U, Khattak GA, Harp EL, Keefer DK, Bauer MA. Deslizamientos de tierra
provocados por el terremoto de Cachemira del 8 de octubre de 2005. Geomorfología
2008;94(1–2):1–9.
[78] Panahi, M., Gayen, A., Pourghasemi, HR, Rezaie, F. y Lee, S., 2020, Predicción
espacial de la susceptibilidad a deslizamientos de tierra mediante regresión de
vectores de soporte híbridos (SVR) y la inferencia neurodifusa adaptativa. sistema
(ANFIS) con varios algoritmos metaheurísticos: Science of the Total Environment,
V. 741, p. 139937.
13
Revista de ingeniería de Ain Shams 14 (2023) 101907
[79]Pandey VK, Pourghasemi HR, Sharma MC. Mapeo de susceptibilidad a deslizamientos de
tierra utilizando modelos de máquinas de vectores de soporte y de máxima entropía a lo
largo del Corredor de la Carretera. Garhwal Himalaya: Geocarto Internacional 2020;35
(2):168–87.
[80]Park S, Kim J. Mapeo de susceptibilidad a deslizamientos de tierra basado en bosques
aleatorios y modelos de árboles de regresión potenciados, y una comparación de su
desempeño. Ciencias Aplicadas 2019;9(5):942.
[81]Peiris N, Rossetto T, Burton P, Mahmood S. Misión EEFIT: Terremoto de Cachemira del 8 de
octubre de 2005: Informe publicado. Londres: La institución de ingenieros estructurales;
2006.
[82]Petley D, Dunning S, Rosser N, Kausar AB. Deslizamientos de tierra incipientes en el valle de Jhelum,
Pakistán, tras el terremoto del 8 de octubre de 2005. Centro de Gestión de Desastres de la SAARC,
Nueva Delhi: Gestión del riesgo de deslizamientos de tierra en el sur de Asia; 2006.
[84]Polat A. Un método rápido e innovador para mapear la susceptibilidad a deslizamientos de tierra utilizando la caja
de herramientas LSAT basada en GIS. Ciencias Ambientales de la Tierra 2021;80(6):1–18.
[85] Pourghasemi, HR, Gayen, A., Panahi, M., Rezaie, F. y Blaschke, T., 2019, Evaluación y
mapeo de probabilidades de riesgos múltiples en Irán: ciencia del medio ambiente
total, V. 692, pag. 556-571.
[86]Pham QB, Achour Y, Ali SA, Parvin F, Vojtek M, Vojtekova J, et al. Una comparación entre modelos
difusos de toma de decisiones multicriterio, bivariados, multivariados y de aprendizaje automático
en el mapeo de susceptibilidad a deslizamientos de tierra. Riesgo de peligros naturales de la
geomática 2021;12(1):1741–77.
[87]Pourghasemi HR, Yansari ZT, Panagos P, Pradhan B. Análisis y evaluación de la
susceptibilidad a deslizamientos de tierra: una revisión de artículos publicados.
Arabian J Geosci 2018;11(9):1–12. durante 2005-2016 (períodos 2005-2012 y
2013-2016):.
[88]Pradhan B. Un estudio comparativo sobre la capacidad predictiva del árbol de decisión, la máquina de
vectores de soporte y los modelos neurodifusos en el mapeo de susceptibilidad a deslizamientos
de tierra utilizando SIG. Comput Geosci 2013;51:350–65.
[89]Probst P, Wright MN, Boulesteix AL. Hiperparámetros y estrategias de ajuste para
bosque aleatorio. Reseñas interdisciplinarias de Wiley: minería de datos y
descubrimiento de conocimientos 2019;9(3):e1301.
[90]Raja NB, Çiçek I, Türkoğlu N, Aydin O, Kawasaki A. Mapeo de susceptibilidad a deslizamientos de tierra
en la cuenca del río Sera utilizando un modelo de regresión logística. Peligros naturales
2017;85(3):1323–46.
[91]Riaz MT, Basharat M, Hameed N, Shafique M, Luo J. Un enfoque basado en datos para el
mapeo de susceptibilidad a deslizamientos de tierra en terrenos montañosos: estudio de
caso del noroeste del Himalaya, Pakistán. Nat Hazard Rev 2018;19(4):05018007.
[92]Riaz MT, Basharat M, Pham QB, Sarfraz Y, Shahzad A, Ahmed KS, et al. Mejora del
rendimiento predictivo de modelos cartográficos de deslizamientos en terrenos
montañosos mediante muestreo por conglomerados: Geocarto Internacional. No
recién aceptado 2022:1–39.
[93]Saadatkhah N, Kassim A, Lee LM. Evaluaciones cualitativas y cuantitativas de susceptibilidad
a deslizamientos de tierra en el área de Hulu Kelang. Malasia: EJGE 2014;19 (47):545–63.
[94]Saba SB, van der Meijde M, van der Werff H. Detección espaciotemporal de deslizamientos
de tierra para la región del terremoto de Cachemira de 2005. Geomorfología 2010;124 (1–
2):17–25.
[95]Saha A, Saha S. Comparación de la eficiencia del peso de la evidencia, la máquina de
vectores de soporte y sus enfoques de conjunto en el modelado de susceptibilidad a
deslizamientos de tierra: un estudio en la región de Kurseong en Darjeeling Himalaya.
India: Aplicaciones de la teledetección: sociedad y medio ambiente 2020;19:100323.
[96]Sahin EK, Colkesen I, Kavzoglu T. Una evaluación comparativa de los métodos de bosque de
correlación canónica, bosque aleatorio, bosque de rotación y regresión logística para el
mapeo de susceptibilidad a deslizamientos de tierra. Geocarto Internacional
2020;35(4):341–63.
[97] Sahin, EK, Colkesen, I., Acmali, SS, Akgun, A. y Aydinoglu, AC, 2020b, Desarrollo de herramientas de
geocomputación integrales para el mapeo de susceptibilidad a deslizamientos de tierra: paquete
de herramientas LSM: Computadoras y Geociencias, V. 144, p. . 104592.
[98]Sana H, Nath SK. Dentro y alrededor de la sintaxis Hazara-Cachemira: una
perspectiva sismotectónica y de peligro sísmico. Revista de la Unión Geofísica de la
India 2016;20:496–505.
[99]Sato HP, Hasegawa H, Fujiwara S, Tobita M, Koarai M, Une H, et al. Interpretación de la
distribución de los deslizamientos de tierra provocados por el terremoto del norte de
Pakistán de 2005 utilizando imágenes SPOT 5. Deslizamientos de tierra 2007;4(2):113–22.
[100]Sepúlveda SA, Petley DN. Tendencias regionales y factores de control de deslizamientos de
tierra fatales en América Latina y el Caribe: peligros naturales y ciencias del sistema
terrestre 2015;15(8):1821–33.
[101]Shafique M, van der Meijde M, Khan MA. Una revisión de los deslizamientos de tierra provocados por
el terremoto de Cachemira de 2005; desde la perspectiva de la teledetección. J Ciencia de la Tierra
Asiática 2016;118:68–80.
[102]Snedecor GW, Cochran WG. Métodos estadísticos, 8.ª edición: Ames: Universidad Estatal de
Iowa. Prensa Iowa 1989;54:71–82.
[103] Statistcs, B. o., 2020, Anuario estadístico: Departamento de Planificación y
Desarrollo, Gobierno de Azad del estado de Jammu y Cachemira.
[104] Steger, S., Brenning, A., Bell, R. y Glade, T., 2016, La propagación de errores posicionales
basados en inventario en modelos estadísticos de susceptibilidad a deslizamientos de
tierra: peligros naturales y ciencias del sistema terrestre, V. 16 , núm. 12, pág. 2729-2745.
[105]Sun D, Xu J, Wen H, Wang D. Evaluación del mapeo de susceptibilidad a deslizamientos de
tierra basado en la optimización de hiperparámetros bayesianos: una comparación entre
regresión logística y bosque aleatorio. Esp Geol 2021;281:105972.
[106]Taalab K, Cheng T, Zhang Y. Mapeo de la susceptibilidad y los tipos de deslizamientos de tierra
utilizando Random Forest: Big Earth Data 2018;2(2):159–78.
A. Hammad Khaliq, M. Basharat, M. Talha Riaz et al.
[107]Tien Bui D, Tuan TA, Klempe H, Pradhan B, Revhaug I. Modelos de predicción espacial para riesgos de
deslizamientos de tierra poco profundos: una evaluación comparativa de la eficacia de las
máquinas de vectores de soporte, redes neuronales artificiales, regresión logística del núcleo y
árbol de modelos logísticos. Deslizamientos de tierra 2016;13(2):361–78.
[108] USGS, 2006, Magnitud 7,6 Pakistán, resumen del terremoto: Servicio Geológico de
Estados Unidos.
[109]Vasu NN, Lee SR. Un algoritmo híbrido de selección de características que integra una
máquina de aprendizaje extremo para modelar la susceptibilidad a deslizamientos de
tierra del monte Woomyeon, Corea del Sur: Geomorfología 2016;263:50–70.
[110] Vijith, H., Krishnakumar, KN, Pradeep, GS, Ninu Krishnan, MV y Madhu, G., 2014, Mapeo de
susceptibilidad de inicio de deslizamientos de tierra poco profundos mediante análisis de
ponderación de evidencia basado en SIG de conjuntos de datos espaciales de múltiples
clases. : un estudio de caso del terreno en pendiente natural de Western Ghats, India:
Georisk: Evaluación y gestión de riesgos para sistemas de ingeniería y geopeligros, V. 8,
No. 1, p. 48-62.
[111] Wadia, D., 1931, La sintaxis del noroeste del Himalaya: sus rocas, tectónica y
orogenia: Registros del Servicio Geológico de la India, v. 65: Servicio Geológico de
la India.
[112]Wu Y, Ke Y, Chen Z, Liang S, Zhao H, Hong H. Aplicación de árbol de decisión alterno
con AdaBoost y conjuntos de embolsado para mapeo de susceptibilidad a
deslizamientos de tierra. cadena 2020;187:104396.
14
Revista de ingeniería de Ain Shams 14 (2023) 101907
[113]Xu C, Xu X, Yu G. Deslizamientos de tierra provocados por un terremoto generado por fallas de
deslizamiento en una meseta: un ejemplo del 14 2013;10:421–31.
[114]Yalcin A, Reis S, Aydinoglu A, Yomralioglu T. Un estudio comparativo basado en SIG de la relación de
frecuencia, el proceso de jerarquía analítica, las estadísticas bivariadas y los métodos de regresión
logística para el mapeo de susceptibilidad a deslizamientos de tierra en Trabzon.
NE de Turquía: Catena 2011;85(3):274–87.
[115]Yamagishi H, Yamazaki F. Deslizamientos de tierra provocados por el terremoto de Hokkaido
Iburi-Tobu de 2018 el 6 de septiembre. Landslides 2018;15(12):2521–4.
[116] Yawen, M., 2011, Evaluación de susceptibilidad a peligros múltiples a escala regional: un
estudio de caso en Mtskheta-Mtianeti, Georgia [Tesis de maestría]: Universidad de
Twente, p. 76.
[117]Zhao X, Chen W. Evaluación basada en SIG de modelos de susceptibilidad a deslizamientos de tierra
utilizando factores de certeza y técnicas de conjuntos funcionales basados en árboles. Ciencias
Aplicadas 2020;10(1):16.
[118]Zhao Y, Wang R, Jiang Y, Liu H, Wei Z. Regresión logística basada en SIG para mapeo de
susceptibilidad a deslizamientos de tierra inducidos por lluvias bajo diferentes tamaños
de cuadrícula en Yueqing. Sudeste de China: ingeniería geológica 2019;259:105147.
[119]Zhou C, Yin K, Cao Y, Ahmed B, Li Y, Catani F, et al. Modelado de susceptibilidad a
deslizamientos de tierra aplicando métodos de aprendizaje automático: un
estudio de caso de Longju en el área del embalse de las Tres Gargantas, China.
Comput Geosci 2018;112:23–37.